論文の概要: Maximal Independent Sets for Pooling in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2307.13011v1
• Date: Mon, 24 Jul 2023 13:47:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 19:35:02.671198
• Title: Maximal Independent Sets for Pooling in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおけるプーリングのための最大独立セット
• Authors: Stevan Stanovic (ENSICAEN, UNICAEN), Benoit Ga\"uz\`ere (INSA Rouen Normandie, UNIROUEN, ULH, LITIS), Luc Brun (ENSICAEN, UNICAEN)
• Abstract要約: CNNは、畳み込みとプーリングを通じて画像分類の大きな進歩を可能にした。 従来のグラフプーリング法は、グラフの切断または過剰接続、低いデシミネーション比、グラフの大きな部分の削除という、少なくとも1つの欠点に悩まされている。 これらの落とし穴を避けるために、最大独立集合の概念に基づく3つのプーリング法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNNs) have enabled major advances in image classification through convolution and pooling. In particular, image pooling transforms a connected discrete lattice into a reduced lattice with the same connectivity and allows reduction functions to consider all pixels in an image. However, there is no pooling that satisfies these properties for graphs. In fact, traditional graph pooling methods suffer from at least one of the following drawbacks: Graph disconnection or overconnection, low decimation ratio, and deletion of large parts of graphs. In this paper, we present three pooling methods based on the notion of maximal independent sets that avoid these pitfalls. Our experimental results confirm the relevance of maximal independent set constraints for graph pooling.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は畳み込みとプールによる画像分類において大きな進歩をもたらした。 特に、イメージプーリングは、接続された離散格子を同じ接続性を持つ縮小格子に変換し、画像中の全てのピクセルを縮小関数で考えることができる。 しかし、グラフのこれらの性質を満たすプールは存在しない。 実際、従来のグラフプーリング手法では、グラフ切断や過剰接続、デシメーション比の低さ、グラフの大きな部分の削除といった、少なくとも1つの欠点に苦しめられている。 本稿では,これらの落とし穴を避けるために,最大独立集合の概念に基づく3つのプーリング手法を提案する。 実験により,グラフプーリングにおける最大独立集合制約の関連性を確認した。

関連論文リスト

• Curvature-based Pooling within Graph Neural Networks [3.1733862899654643]
  オーバー・スクワッシングとオーバー・スムースティングはグラフニューラルネットワーク(GNN)の機能を制限する CurvPoolはグラフの曲率の概念を利用して、オーバー・スムーシングとオーバー・スカッシングの両方の原因となる構造を適応的に識別する。 我々は、他の最先端のプーリング手法と比較し、分類精度、計算複雑性、柔軟性の観点からその競争力を確立する。
  論文  参考訳（メタデータ） (2023-08-31T08:00:08Z)
• Graphon Pooling for Reducing Dimensionality of Signals and Convolutional Operators on Graphs [131.53471236405628]
  グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。 これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。 我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
  論文  参考訳（メタデータ） (2022-12-15T22:11:34Z)
• Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
  最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。 我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
  論文  参考訳（メタデータ） (2022-08-06T14:12:47Z)
• Maximal Independent Vertex Set applied to Graph Pooling [0.0]
  畳み込みニューラルネットワーク(CNN)は、畳み込みとプーリングによる画像分類の大きな進歩を可能にしている。 特に、画像プーリングは、接続された離散グリッドを同じ接続で縮小グリッドに変換し、画像のすべてのピクセルを考慮に入れられるようにします。 そこで本研究では,MIVSPoolと呼ばれる新しいプーリング手法を用いて,両方の問題を克服することを提案する。
  論文  参考訳（メタデータ） (2022-08-02T14:42:58Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Maximum Entropy Weighted Independent Set Pooling for Graph Neural Networks [7.398195748292981]
  本稿では, グラフと入力グラフ間の相互情報の最大化に基づく, グラフニューラルネットワークのための新しいプーリング層を提案する。 プール層への入力グラフはノイズの多い通信チャネルの表現として見ることができることを示す。 最大相互情報に到達することは、グラフの最大重み独立集合を見つけることと等価であることを示す。
  論文  参考訳（メタデータ） (2021-07-03T11:19:28Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。